gydtep

许多组织在其工业物联网(IIoT)应用中采用了各种AI算法来做出实时决策。了解基于AI的应用中的数据是至关重要的。聚集、清理和准备独特的数据是利用AI来优化组织并获得见解的最重要方面。

gydtep

视觉检查算法越来越受欢迎的部分原因是这些算法的发展日趋成熟。现在，基于神经网络的系统可以识别出各种潜在问题，例如裂纹、泄漏、划痕、翘曲以及许多其他异常。根据复杂的规则映射，可以调整或调整应用程序要检查的参数以适合给定的情况。与GPU和高分辨率摄像头搭配使用时，基于AI的检测解决方案在准确性和速度上可以大大超过传统的视觉检测系统。

gydtep

机器学习和人工智能解决方案大大提高了高效生产的所有标志-标准化、规模经济、任务自动化、专业化。因此，在未来几年中，嵌入在物联网设备中的AI将不可避免地继续紧密地融入所有主要制造流程中。

gydtep

B端的产品比较复杂（如上图所示）包括官网注册、H5、注册账号、创建项目、集成代码、使用产品、留存日活、pro付费等，KPI拆解到了注册账号数、注册转化率、有效集成数、首次完成激活等。在这之中，有些目标需要自己做，有些需要跟别的团队协同合作。

gydtep

对于数据驱动，很多人做到一定程度之后，脑海中会形成一定的方法论和体系，进而形成驱动流程和组织机制。大家也听了很多方法论，包括增长黑客等，貌似自己已经很懂数据驱动了，但是实际操作起来可能连“什么是事件属性这种基础的概念都不了解”，这是很多业务线同学普遍的现状。

gydtep

早些时候，大家对“数据驱动”的理解是“报表驱动”。2016年、2017年的时候，一家处于C轮、D轮的深圳公司，该公司有1000多份报表，每张有10个Sheet，每个表格有20多个指标，大家可以算下一共有多少个指标，他们内部的数据团队都不知道哪些指标有用、哪些没有用。为了督促大家去看这些报表，公司还监控了邮箱。

gydtep

“早前，我做数据产品和数据分析的时候，很多产品同学说所有的都要埋点，包括头像、点击次数等，他会问这些点真的有用吗？想好这些指标数据的目的了吗？这些都是十分有意思的现象和问题。数据驱动是一件好事，但在国内企业的落地中确实很“骨感”。数据驱动不是一个简单的工具，也不是多个分析师或者少个分析师的问题，而是整体的格局问题。“陈新祥在直播中提到。

gydtep

缺少高可用保障：开源全链路监控方案并没有完整的高可用机制，当某个组件出现故障，比如服务器宕机的时候，无法自动恢复，需要人工介入进行解决，在这个过程中正常的监控会受到影响。

gydtep

无法支撑大规模场景：当接入的应用数量达到上千个之后，开源全链路监控方案会暴露出各种性能问题，需要开发者修改源代码进行针对性的优化。

gydtep

有报道指出，过去几十年的知识量超过之前人类几千年的知识量总和。而计算机领域绝对是当代知识更新最快的领域之一，因此，工程师必须要接受这样一个现实，现在所掌握的深厚知识体系很快就会被淘汰。要想在计算机领域持续做优秀架构师，就必须不停的学习，掌握最新技术。总之，学不可以已。